06.07.2015 (eh)
4.6 von 5, (7 Bewertungen)

EMC weiß, warum John McGuinness so schnell fährt

Der Brite John McGuinness gilt seit 25 Jahren als einer der schnellsten Motorrad-Rennfahrer der Welt. Bereits 23 Mal hat er die »Isle of Man Tourist Trophy« (TT) gewonnen. EMC analysierte sein Fahrverhalten mit Big-Data-Analyse – und entdeckte das Geheimnis seiner Fahrkunst.

Schnell wie eh und je unterwegs: John McGuinness (Bild: EMC)Schnell wie eh und je unterwegs: John McGuinness (Bild: EMC)Der Brite John McGuinness kann seine Konkurrenz fast nach Belieben dominieren. McGuinness gewann die »Isle of Man Tourist Trophy« (TT) bereits 23 Mal und brach kürzlich zwei Streckenrekorde. Die Isle of Man TT gilt als das älteste, anspruchsvollste und gefährlichste Motorradrennen der Welt.

Der Storage-Krösus EMC wollte es nun wissen, was ihn so schnell macht. Ausgeschrieben wurde der Wettbewerb »The Math behind the Morecambe Missile«. (Morecambe Missile ist eine Anspielung auf seinen Geburtsort.) Dazu bestückte EMC in Zusammenarbeit mit dem Bekleidungshersteller Alpinestars und dem Halbleiterproduzenten Freescale Semiconductor den Rennanzug von John McGuinnes und sein Motorrad mit intelligenten Sensoren und Datenerfassungseinheiten.

John McGuinness und ein Vergleichsfahrer werden mit Sensoren bestückt

John McGuinness wird mit Sensoren bestückt (Bild: EMC)John McGuinness wird mit Sensoren bestückt (Bild: EMC)Dann absolvierten McGuinness und der identisch ausgestattete Vergleichsfahrer Adam »Chad« Child, leitender Testfahrer der englischen Zeitschrift »Motor Cycle News«, sechs Runden auf dem Circuit Monteblanco in Andalusien, Spanien. Dabei produzierten die Sensoren mehr als 700.000 Reihen an Leistungsdaten sowie biometrische und mechanische Informationen, unter anderem über die Herz- und Atemfrequenz, die genaue Position des Fahrers sowie den Rotations- und Schräglagenwinkel des Motorrads. Alle Daten wurden unverändert in einen zentralen »EMC Business Data Lake« überführt, sodass EMC von jedem beliebigen Punkt auf der Rennstrecke ein genaues Bild der Fahrer- und Motorradeigenschaften hatte.

EMC übergab die gesammelten Daten schließlich der globalen Data-Science-Community zur Interpretation. Mehr als 750 Wissenschaftler und Experten aus verschiedenen Branchen analysierten den Datensatz und stellten ihn visuell dar. Die Analysen ergaben eine Vielzahl von Erkenntnissen über den Fahrstil von McGuinness.

Data-Science-Community übernahm die Big-Data-Auswertung

In der Kategorie »Datenanalyse« gewann der britische Revenue Management Analyst Dr. Stefan Jol. Er teilte für seine Berechnungen die Rennstrecke in Abschnitte auf und untersuchte diese separat. So fand er – vergleichbar mit Business-Analysen – heraus, in welchen Abschnitten die jeweilige Leistung den größten Einfluss auf den Gesamterfolg hatte. Entsprechend dieser Erkenntnisse kann ein Motorrad dann für die wichtigsten Streckenabschnitte eingestellt werden, und der Fahrer kann diesen bei künftigen Rennen besondere Sorgfalt zukommen lassen.

Der Statistik-Professorin Dr. Charlotte Wickham gelang die überzeugendste Visualisierung der Daten: Sie stellte in einer Grafik die Leistungen beider Fahrer in jedem Moment des Rennens gegenüber.

Das ist das Geheimnis von John McGuinness

Die Arbeit von Dr. Wickham war der Schlüssel: Sie zeigt, dass der Vergleichsfahrer zwar schneller in die Kurven hineinfuhr, aber langsamer herauskam. McGuinness bremste hingegen vor Kurven härter ab, konnte dadurch eine bessere Linie fahren und früher wieder beschleunigen – und damit insgesamt schneller sein.

Die vorläufigen Analyseergebnisse von der Teststrecke in Spanien waren so interessant, dass EMC das Experiment mit leistungsfähigeren Sensoren während der Isle of Man TT im Juni wiederholte. Das Ziel war es, dort noch wesentlich mehr Daten zu sammeln, um endgültig die Frage beantworten zu können, warum John McGuinness so schnell ist. Das Projekt ist auch in einem Film dokumentiert worden, der im Herbst 2015 erscheint. Eine Vorschau gibt es hier.

.
Kommentare (1)
08.07.2015 - simon.koehl

OMG!
Super Beispiel für die potentielle Nutzlosigkeit von BigData.

1. Mit anderen Selektoren kommen möglicherweise andere Ergbenisse zustande
2. mit anderen Sensoren kommen möglicherweise andere Ergebnisse zusammen
3. Solange also auf Basis dieser Ergebnisse nicht reihenweise andere Fahrer die selbe Performance erreichen haben wir ein paar schmucke Präsentationen, ein paar nutzlose UseCases und vor allem keinerlei Beweise für die richtigkeit der Analyse.
Das man mit BigData Analysis alles mögliche Analysieren kann wussten wir alle auch schon vorher.